城市土壤碳库空间分布预测研究综述

城市土壤碳库空间分布预测研究综述城市土壤碳库作为陆地生态系统碳循环的重要组成部分，其空间分布特征直接关系到城市生态系统服务功能评估、碳减排政策制定以及生态城市建设成效。在全球城镇化进程持续推进的背景下，城市土地利用格局的剧烈变化深刻改变了土壤碳库的自然积累过程，准确预测其空间分布成为当前土壤生态学和城市地理学交叉领域的研究热点。近年来，随着地理信息技术、机器学习算法以及野外监测网络的不断完善，相关研究在数据来源、模型方法、应用场景等方面实现了多维度突破，同时也面临着尺度效应、异质性干扰等诸多挑战。城市土壤碳库的组成特征与影响因子城市土壤碳库通常分为有机碳库和无机碳库两大部分，其中有机碳库又包括活性有机碳、缓效性有机碳和惰性有机碳三个组分。与自然土壤相比，城市土壤的碳库组成具有显著的人为干扰特征：建成区土壤的惰性有机碳占比通常比郊区自然土壤高出15%-25%，这主要来源于建筑废弃物填埋、化石燃料燃烧沉降等人为输入；而城市绿地土壤的活性有机碳含量则受植被类型、养护管理方式的影响呈现出极强的空间异质性，公园绿地表层土壤有机碳含量可达到道路绿化带的2-3倍。最新研究表明，城市无机碳库的占比被长期低估，北方工业城市土壤中碳酸盐类无机碳的储量可达到有机碳的1.8倍，其空间分布与城市功能区布局呈现高度耦合关系，工业区和老旧居住区的无机碳密度显著高于其他区域。影响城市土壤碳库空间分布的因子可分为自然本底因子和人为干扰因子两大类。自然本底因子中，地形坡度通过影响地表径流和土壤侵蚀过程决定碳的迁移路径，坡度每升高5°，表层土壤有机碳密度平均下降0.32kg·m⁻²；成土母质的差异直接决定了土壤无机碳的初始含量，石灰岩发育的城市土壤无机碳本底值是花岗岩发育土壤的2.7倍。人为干扰因子的影响强度在城市区域远超自然因子，其中土地利用类型是最核心的驱动因子：商业用地土壤碳密度通常仅为林地的40%左右，而填埋场覆土的碳密度可达到自然土壤的3倍以上；城市建设历史对土壤碳库的“legacyeffect（legacy效应）”逐渐受到关注，建成超过50年的老旧城区土壤有机碳密度比新建城区高出20%-35%，这与长期的地表凋落物积累、不透水层分解输入密切相关。此外，城市热岛效应通过改变土壤微生物活性，使得建成区土壤有机碳的分解速率比郊区高出12%-18%，进一步放大了城乡梯度上的碳库空间差异。城市土壤碳库空间分布预测的数据源进展传统的土壤采样数据仍是城市土壤碳库预测的基础数据源，但近年来采样设计的科学性不断提升。网格化布点法在中小城市的研究中应用最为广泛，通常采用1km×1km或500m×500m的网格覆盖全部建成区，同时针对不同功能区进行加密采样，使采样点的代表性得到显著提升。针对大型城市的研究则更多采用分层抽样法，按照土地利用类型、建设年代、地形特征等分层因子确定采样点数量，在保证预测精度的前提下将采样成本降低30%-40%。值得注意的是，城市土壤采样的深度标准逐渐统一，多数研究将表层（0-20cm）、中层（20-60cm）、深层（60-100cm）的分层采样作为规范，改变了过去仅关注表层土壤的研究局限，使城市土壤碳库储量的估算误差从过去的25%左右降低到10%以内。遥感数据的应用极大拓展了预测变量的空间覆盖度。哨兵系列卫星的多光谱数据是当前使用最广泛的数据源，其中哨兵2号的10m分辨率植被指数（NDVI、EVI等）能够精准反映城市植被的空间分布，与表层土壤有机碳的相关性可达0.62以上；哨兵1号的合成孔径雷达数据则能够穿透植被冠层获取地表粗糙度信息，对于混合像元占比高的城市区域具有独特优势。高光谱遥感数据的应用逐渐增多，机载高光谱传感器能够获取纳米级分辨率的土壤反射光谱，通过特征波段反演土壤有机碳含量，在裸土区域的预测精度可达85%以上。夜光遥感数据为捕捉人类活动强度提供了新的维度，NPP/VIIRS夜光数据的辐射值与城市土壤碳密度的负相关性达到-0.58，可有效表征人为干扰的空间差异。新兴的多源辅助数据进一步丰富了预测变量的维度。城市土地利用数据通过高精度电子地图和国土调查数据获取，能够精确区分工业、商业、居住、绿地等20余种土地利用类型，作为分类变量纳入模型可使预测精度提升15%左右。POI（兴趣点）数据的应用成为近年研究的新方向，餐饮点、交通站点、工厂等不同类型POI的密度能够反映人类活动的类型和强度，工业POI密度与土壤重金属含量、无机碳含量的相关性均达到显著水平。城市地下管线、建筑地基等工程地质数据的融入，为解释深层土壤碳库的空间变异提供了关键支撑，有研究发现地下燃气管道沿线100m范围内的土壤甲烷氧化菌活性显著升高，对应的有机碳分解速率比其他区域高出23%。主流预测模型的技术路径与适用性分析地统计模型是城市土壤碳库空间预测的经典方法，其中克里金插值系列算法应用最为广泛。普通克里金插值基于采样点的空间自相关性进行预测，在采样点密度较高（>0.5个/km²）且空间分布均匀的区域，预测精度可达70%以上，适合地形平坦、土地利用结构简单的中小城市。协同克里金插值通过引入遥感植被指数、地形因子等辅助变量，在采样点密度较低的区域也能保持较好的预测效果，比普通克里金的精度平均提升10%-15%。回归克里金将回归分析与克里金插值相结合，先通过线性回归拟合碳库与影响因子的关系，再对残差进行空间插值，能够有效处理城市区域强烈的空间异质性问题，在特大城市的相关研究中应用占比超过40%。不过地统计模型的局限性也十分明显，当采样点存在显著的空间聚集特征时，插值结果会出现明显的平滑效应，低估高值和低值区域的碳库差异，对城市功能区边界的碳库突变现象预测能力不足。机器学习模型是当前城市土壤碳库预测的主流技术方向，其在处理非线性关系和高维变量方面具有显著优势。随机森林模型是目前应用最广泛的算法，它通过构建多棵决策树进行集成学习，能够自动评估各影响因子的重要性，对异常值和噪声数据的鲁棒性较强，在多数研究中的预测精度比回归克里金高出15%-20%。有研究对比了10种常用模型在城市土壤碳库预测中的表现，发现随机森林的R²（决定系数）平均可达0.78，显著高于线性回归的0.52和普通克里金的0.61。梯度提升树（GBDT）及其改进算法XGBoost、LightGBM在近年的研究中表现出更优的性能，这类算法通过迭代训练弱学习器，能够更精准地捕捉局部特征，在土地利用类型复杂的建成区，其预测精度比随机森林高出5%-8%。神经网络模型在处理高维遥感数据方面具有独特优势，卷积神经网络（CNN）能够自动提取遥感影像的空间纹理特征，与传统机器学习模型相比，可进一步将预测精度提升8%-12%，尤其适合高分辨率遥感数据主导的大比例尺预测。混合预测模型的发展成为新的研究趋势，其核心思路是结合不同模型的优势，弥补单一模型的缺陷。“地统计+机器学习”的混合模式应用最为广泛，先利用机器学习模型拟合碳库与环境变量的非线性关系，再对残差进行克里金插值捕捉空间自相关效应，这种方法比单一机器学习模型的精度平均提升5%-10%。“多模型集成”的思路也逐渐受到关注，通过对随机森林、支持向量机、神经网络等多个模型的预测结果进行加权平均，能够降低单一模型的不确定性，使预测结果的稳定性提升15%以上。此外，面向对象的预测模型开始应用于城市区域，先通过影像分割将城市划分为具有相似特征的地理对象（如单个小区、独立绿地等），再以对象为单元进行预测，能够有效解决传统像素级预测中出现的“椒盐噪声”问题，使预测结果的空间连续性更符合实际情况。研究挑战与未来发展方向当前城市土壤碳库空间分布预测仍面临三大核心挑战。首先是尺度效应问题突出，不同研究的预测结果可比性差。城市土壤碳库的空间变异存在多尺度特征，在街区尺度（<1km）主要受植被类型、养护管理方式的影响，在城区尺度（1-10km）主要受土地利用格局的控制，在市域尺度（>10km）则受自然本底因子的影响更大，单一尺度的预测模型往往难以兼顾不同层次的变异特征。多数研究的预测单元选择缺乏统一标准，从10m×10m到1km×1km的分辨率都有应用，导致同一城市的不同研究结果之间的差异可达30%以上，难以支撑政策制定的需求。其次是城市土壤的强异质性导致模型泛化能力不足，由于不同城市的产业结构、建设历史、自然本底存在巨大差异，在一个城市训练得到的模型直接应用到其他城市时，预测精度通常会下降40%以上，目前还缺乏可跨城市迁移的通用预测框架。第三是深层土壤碳库的预测精度偏低，现有研究的采样点多集中在表层土壤，60cm以下的深层采样点数量不足表层的30%，加上深层土壤的影响因子更加复杂，涉及地下水、地质构造、地下工程等多方面因素，导致深层碳库的预测误差普遍在30%以上，成为城市土壤碳库储量估算的主要误差来源。未来研究需要在四个方面实现突破。第一，构建多尺度嵌套的预测框架，针对不同尺度的主导影响因子设计分层预测模型，在街区尺度采用高分辨率遥感和实地调查数据，在城区尺度融合土地利用和POI数据，在市域尺度结合地形、气候等自然因子，实现不同尺度预测结果的无缝衔接。第二，建立标准化的城市土壤碳库数据集，通过统一采样规范、数据共享机制，积累跨城市、长时间序列的监测数据，为开发通用预测模型提供数据支撑，目前我国已经启动的国家城市土壤监测网络计划在100个城市建立标准化采样点，将极大推动相关研究的进展。第三，发展融合多源知识的人工智能预测模型，将城市规划知识、土壤发生学知识等先验信息嵌入机器学习模型，提升模型的物理可解释性和跨区域迁移能力，解决传统黑箱模型泛化能力不足的问题。第四，拓展预测结果的应用场